NBA 2004-05赛季球员传球数据统计

我们时常遇到的一个问题就是，每当进入NBA数据统计的某个新领域时，往往需要创造一些相关术语，不仅要让大家印象深刻，还要通俗易写。有时候，在这一点上我们做得并不好，这也正是我们今天所要面临的考验——如何用简洁的语言描述球员之间的传球数据？我们手头已经拥有联盟中每两名队员之间相互助攻的数据，该如何去正确利用？

也许有人会认为上面的标题有点夸大其辞，因为我们没有每次传球的统计，以及记录每次传球所导致的后续事件，我们有的只是那些转化为助攻的传球统计。好吧，不用担心这点，从这个赛季开始，我们已经跟踪统计了NBA某几支球队的每一场比赛每一次触球，下赛季我们希望把这项统计的范围扩大到全部30支球队.......所以，如果你现在还认为这个标题有点高不可及的话，那么等到下赛季我们付诸实施之后，就会忘记你今天的疑虑。

1) 顶级传球-得分拍档（Top Passer-Scorer Combos）

首先我们要找一个比较容易的着手点，这就是下面的表格所要描述的——在2004-05赛季常规赛中，哪些球员组合之间的助攻次数是最多的？

如图表所示，Steve Nashi度过了一个完美的赛季，他在这个榜上占据了1，2，7，14四个助攻席位。毫无疑问，他在助攻上的表现压倒了联盟中的所有球员。

...唯一的疑问就是，小S和超级玛丽之间只差了一个进球，他们俩到底谁更有资格排第一？

当然这只是一个最简单的统计，我们还无法从中看到球员之间配合的效率。如果我们能统计到那些投失的传球，转化为罚球的传球，以及接球后失误的传球.......那么我们就可以计算出球队/球员每次持球进攻的平均得分。

2) 顶级助攻拍档（Leading Combined Assisted FG Combos）

为什么仅仅把焦点集中在单向的传球呢？当两名队员在进攻中打出美妙配合，他们之间的总助攻数又是如何？以下就是我们的双向助攻统计排行榜...

球队	球员1	球员2	2-1助攻数	1-2 助攻数	总助攻数
PHO	Nash	Marion	25	245	270
PHO	Nash	Stoudemire	15	246	261
NJN	Kidd	Carter	58	198	256
CLE	McInnis	James	103	111	214
NYK	Marbury	K.Thomas	36	165	201
SAC	Bibby	Webber	72	117	189
SEA	Ridnour	Allen	42	146	188
NYK	Marbury	Crawford	64	121	185
CLE	James	Gooden	49	134	183
WAS	Arenas	Jamison	48	135	183
MIN	Szczerbiak	Garnett	107	67	174
SEA	Ridnour	Lewis	22	150	172
DET	Billups	Prince	53	117	170
PHO	Nash	Johnson	26	141	167
MIN	Cassell	Garnett	52	114	166
DAL	Terry	Nowitzki	37	128	165
WAS	Arenas	Hughes	81	84	165
DET	Billups	Hamilton	45	116	161
MIA	D.Jones	Wade	105	53	158
DEN	Miller	Anthony	30	125	155

显然，绝大多数上榜拍档都呈现出一边倒的助攻-得分关系。事实上，整个联盟中只有6对球员之间相互助攻数都达到50+，只有2对球员之间相互助攻数都达到80+。

Nash仍然高高在上，当然如果Kidd-Carter组合能打满一个赛季，那么他们会很有希望挤掉Nash-Marion组合在这个榜上排第一。

在这个榜单中，McInnis-James组合是最富变化的，他们相互助攻数都达到100+。然而具有讽刺意味的是，McInnis的表现没能博得骑士高层的青睐，赛季结束他被送到了篮网。显然这个统计有些脱离于球员作为一名团队成员的效率体现，比如McInnis，也许他的问题就在于过于注重和LBJ之间的二人配合了。

最后还要说一点，国王把Webber送到费城当然是个不错的交易，但如果Webber还在，那么Bibby-Webber这一前一后组合无疑会成为榜首的有力竞争者。

3) 球员助攻进球对特定队友的依赖度（Players most reliant on one teammate for assisted FGM's）

现在我们来看另一个有趣的关注点，哪些球员的助攻得分是严重依赖于特定队友的助攻的？

<>(统计门槛：被助攻总数100+)

球队	得分手	助攻手	被助攻次数	占被助攻总数百分比
NJN	Carter	Kidd	198	60.5%
PHO	Stoudemire	Nash	246	55.1%
PHO	Marion	Nash	245	54.4%
ORL	Cato	Francis	65	53.7%
NYK	Crawford	Marbury	121	53.5%
PHI	Webber	Iverson	53	53.0%
NYK	Ariza	Marbury	57	52.7%
PHO	Johnson	Nash	141	52.2%
CHI	Duhon	Hinrich	59	50.8%
SEA	Allen	Ridnour	146	48.3%

如图表所示，以被助攻得分的百分比而言，Vince Carter对Jason Kidd的依赖超过了联盟中的任何球员。事实上，当我们把统计门槛放低到“被助攻总数10+”时（一个低得荒唐的阀值），Vince Carter依然高居榜首。这种倾向性在多伦多猛龙表现得更强烈，在那里加拿大飞人的助攻进球有63%都是来自于Rafer Alston的喂球。

现在我们对上述统计再做进一步思考和改进。事实上，我们可以把得分手的投篮命中总数作为百分比计算时的分母，而不去管那些投篮命中是被助攻还是他自己创造的机会。这样，我们就可以得到某助攻手A对某得分手B的助攻数占B的投篮命中总数的百分比统计。

4) 球员得分对特定队友助攻的依赖度（Players most reliant on one teammate for feeds, part II）

如上所述，现在我们来统计一名球员的投篮命中总数中，有百分之多少是来自于某个特定队友助攻的？以此为参考来讨论球员的被助攻依赖度也许会更客观。

<>(统计门槛：投篮命中总数100+)

球队	得分手	助攻手	被助攻次数	占投篮命中总数百分比
ORL	Cato	Francis	65	40.6%
SAS	Bowen	Parker	101	40.2%
PHO	Marion	Nash	245	39.9%
NYK	K.Thomas	Marbury	165	38.9%
PHI	Webber	Iverson	53	37.0%
CLE	Newble	James	67	36.8%
PHI	Dalembert	Iverson	88	35.2%
NJN	Carter	Kidd	198	34.6%
TOR	Carter	Alston	43	34.6%
CHI	Duhon	Hinrich	59	34.3%

有一件事可以确定，在费城AI就是一切——在这项统计的前31位中，费城占据5个席位，其助攻手都是AI。Webber虽然还是“新人”，但他显然已经适应了在费城依赖AI组织进攻的得分方式。

在这项统计的前20位中，我们还可以发现很多“接球即投型”的球员，比如Bowen、Newble、D.Jones（依赖Wade的助攻）、Q-Rich（当然是依赖Nash助攻）等等.......一名得分手总是依赖于特定队友的助攻并不能说明什么好坏，重要的是当球送到你手中时，你能再把它送进篮框。

5) 助攻手对特定得分手的依赖度（Passers most reliant on one scorer）

现在我们换个方向，来看看一名助攻手的助攻总数中又有百分之多少是送给某位特定队友的。当然我们这回仍然无法考量出助攻手-得分手之间配合的综合效率，但不可否认，很多时候这样的单项统计也是很有参考价值的。

<>(统计门槛：助攻总数100+)

球队	助攻手	得分手	助攻数	占助攻总数百分比
MIA	Haslem	O'Neal	45	41.6%
SAC	Christie	Stojakovic	60	39.2%
MIN	Sprewell	Garnett	69	38.5%
BOS	Blount	Pierce	49	37.9%
MIN	Cassell	Garnett	114	37.8%
CLE	Gooden	James	49	37.6%
NJN	Kidd	Carter	198	36.3%
MIN	Szczerbiak	Garnett	67	35.0%
DAL	Finley	Nowitzki	59	34.9%
CHI	Deng	Curry	46	34.0%

在这个榜单中有一点令人瞩目，就是森林狼球员对KG的依赖。这似乎在暗示一点，当狼队队员在分球时，KG总是战术的第一选择。狂人送给KG有69次助攻，而给外星人却只有区区11次....

另一点值得注意的是Deng-Curry之间的相互依赖。Baby Shaq本赛季的团队影响力（场上/场下球队统计比较）表现令人反胃，不过当他和Deng都在场上时，却有着不俗的配对表现（Player Pairs），这也成为他本赛季为数不多的亮点之一。

6) 未来的走向（Where to go from here?）

对于入门者而言，过于信赖助攻统计未必是什么好事。因为助攻统计的不确定性，以及界定每次得分时助攻价值的难度.....这也正是我们的动力所在，通过对每一次触球的跟踪观察统计，我们将会得到一名球员给不同队友的详细传球数据，以及所引发的后续事件（包括助攻得分前的那些传球统计.....我们知道在足球和曲棍球中，考量一个进球的助攻，就不总是简单地归功于最后那名传球队员）。

还有更进一步的研究就是，观察特定位置上的球员之间的联系（比如控位给中锋的传球数据统计），并由此来分析球队整体的战术打法。

在未来，球的转移/队员跑位/传球统计是三个有望取得突破的研究领域，这将有助于NBA球队更加合理的安排战术和调度。不过在那一天到来之前，我们仍将不断地在各种层次的篮球比赛中听到诸如以下的球员呼叫...“快，快给我那该死的球！”